<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[幻想乡]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/GeForce_GTX1080Ti</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; GeForce_GTX1080Ti]]></copyright><item><title><![CDATA[Tensorflow实现《Convolutional Neural Networks for Sentence Classification》（附github代码）]]></title><link>https://blog.youkuaiyun.com/GeForce_GTX1080Ti/article/details/80140172</link><guid>https://blog.youkuaiyun.com/GeForce_GTX1080Ti/article/details/80140172</guid><author>GeForce_GTX1080Ti</author><pubDate>Sat, 28 Apr 2018 23:43:46 +0800</pubDate><description><![CDATA[一、任务需求paper原文：Convolutional Neural Networks for Sentence Classification作者采用卷积神经网络对评论进行分类，得到正面/负面类别，是CNN在NLP领域的应用。二、所用工具python（Anaconda3）tensorflow 1.0.0Ubuntu 16.04.1 LTS三、代码框架代码地址：https://github.com/...]]></description><category></category></item><item><title><![CDATA[Tensorflow实现mnist手写数字识别（附github代码）]]></title><link>https://blog.youkuaiyun.com/GeForce_GTX1080Ti/article/details/80119194</link><guid>https://blog.youkuaiyun.com/GeForce_GTX1080Ti/article/details/80119194</guid><author>GeForce_GTX1080Ti</author><pubDate>Sat, 28 Apr 2018 13:59:05 +0800</pubDate><description><![CDATA[一、任务需求mnist手写识别是经典的入门分类任务。给定28x28x1的输入图像，输出0-9共计十类的分类结果。本次实现分两部分，一是用传统的全连接神经网络实现分类，二是用卷积神经网络（CNN）实现分类。二、所用工具python（Anaconda3）tensorflow 1.0.0Ubuntu 16.04.1 LTS三、代码框架代码地址：https://github.com/zhuangchen-...]]></description><category></category></item><item><title><![CDATA[采用张量分解的方法检测垃圾评论（YELP数据集、RESCAL张量分解）]]></title><link>https://blog.youkuaiyun.com/GeForce_GTX1080Ti/article/details/79189238</link><guid>https://blog.youkuaiyun.com/GeForce_GTX1080Ti/article/details/79189238</guid><author>GeForce_GTX1080Ti</author><pubDate>Sun, 28 Jan 2018 20:54:45 +0800</pubDate><description><![CDATA[一、任务需求

论文：《Learning to Represent Review with
 Tensor Decomposition for Spam Detection》

对于给定的YELP数据集，根据用户信息、餐馆信息、评论信息构建十一个关系矩阵，进而得到一个三维张量。采用RESCAL方法，对三维张量进行分解，获取embedding后的用户、餐馆向量表示。以用户、餐馆向量为特征，]]></description><category></category></item><item><title><![CDATA[二分类模型评估指标的计算方法与代码实现]]></title><link>https://blog.youkuaiyun.com/GeForce_GTX1080Ti/article/details/78877318</link><guid>https://blog.youkuaiyun.com/GeForce_GTX1080Ti/article/details/78877318</guid><author>GeForce_GTX1080Ti</author><pubDate>Fri, 22 Dec 2017 22:28:41 +0800</pubDate><description><![CDATA[一、定义


在研究评估指标之前，先给出分类结果混淆矩阵（confusion matrix）。







            预测
真实

正例
反例


正例
TP
FN


反例
FP
TN





1.准确率--accuracy

定义：对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。计算方法：

]]></description><category></category></item><item><title><![CDATA[利用python+jieba+gensim+sklearn实现微博性别分类]]></title><link>https://blog.youkuaiyun.com/GeForce_GTX1080Ti/article/details/78826339</link><guid>https://blog.youkuaiyun.com/GeForce_GTX1080Ti/article/details/78826339</guid><author>GeForce_GTX1080Ti</author><pubDate>Sun, 17 Dec 2017 17:33:28 +0800</pubDate><description><![CDATA[一、任务需求
给定一组微博用户的微博帐号、性别和微博内容文本。以微博内容文本为特征，性别为标签，用数据的70%训练SVM分类器；再对剩下的30%微博文本进行性别预测，观察结果。

二、所用工具
python(Anaconda)：编程环境
jieba：中文分词工具
gensim：训练词向量工具
sklearn：训练分类器工具

三、实现过程
1.数据准备

Data_weib]]></description><category></category></item></channel></rss>